Este estudo investiga a aplicação de redes neurais profundas e transferência de aprendizagem para a automação do diagnóstico de falhas mecânicas em máquinas rotativas, como rolamentos, redutores e motores. O objetivo principal é superar os desafios relacionados à escassez de dados rotulados e à variabilidade de condições operacionais, que limitam a eficácia dos métodos tradicionais de aprendizado de máquina. A metodologia baseia-se na transferência de conhecimento de um domínio fonte (com dados abundantes) para um domínio alvo (com dados limitados), utilizando técnicas como Maximum Mean Discrepancy (MMD) e redes adversariais (GANs) para alinhar distribuições estatísticas. Os resultados demonstram que modelos baseados em redes convolucionais e adaptação de domínio alcançam acurácias superiores a 95%, mesmo em condições operacionais variáveis. Conclui-se que a transferência de aprendizagem profunda é uma abordagem promissora para diagnósticos precisos em cenários industriais reais, embora desafios como a sensibilidade a hiperparâmetros e o risco de transferência negativa persistam.